జర్నల్ ఆఫ్ సైకియాట్రీ

నైరూప్య

బయోఫిజికల్ మైండ్ యూనిట్స్ మరియు లైబ్నిజ్స్ లా ఇన్ ప్రాక్టీస్

యాకోవ్ నైస్బెర్గ్

లక్ష్యాలు: బాహ్యంగా శోషించబడిన/అనువదించబడిన లేదా మెమరీ నిల్వ మొబైల్ బయోఫిజికల్ మైండ్ యూనిట్ల నుండి అంతర్గతంగా తిరిగి పొందబడినవి [bmu], చలనం లేని విడదీయరాని టోపోగ్రాఫికల్ న్యూరానల్ వెబ్‌ల కనెక్టివిటీని ప్రేరేపిస్తుంది, వాటి ఛానెల్‌ల మాధ్యమం ద్వారా వాటిని ప్రయాణించడానికి అయాన్‌లకు సన్నిహితంగా జోడించడం, fMRI నుండి లీబ్నిజ్ చట్టం ఆధారంగా కొలవబడుతుంది. , PET మరియు EEG ప్రదర్శనలు. నేపధ్యం: బ్రెయిన్-మైండ్ డైలమా మొబైల్ bmu మ్యాటర్ ప్రాసెస్ చేయబడిన విడదీయరాని స్థిరమైన న్యూరానల్ వెబ్ వైరింగ్ మ్యాటర్ మీడియాతో భర్తీ చేయబడింది. విధానం: టోపోగ్రాఫికల్ మెదడు ద్వారా మైండ్ ప్రాసెస్‌లకు సంబంధించిన fMRI, PET మరియు EEG నుండి పొందిన కొలిచిన డేటాను ప్రదర్శించే కథనాల కోసం ఇంటర్నెట్ శోధన నిర్వహించబడింది. నేను bmu = a3 × wf/bf/t కోసం Lebni'z ఫార్ములాలను పారాఫ్రేజ్ చేసాను, దీనిలో 1 bmu అనేది (a³) 1 mm³ వాల్యూమ్ యొక్క ఆపరేబుల్ బేసిక్ లాజిక్ సర్క్యూట్‌ల ప్రీసెట్లు fMRI, PET మరియు EEG నుండి cfn ద్వారా గుణించబడిన bmuతో గుణించబడుతుంది. గుణకం ఫ్రీక్వెన్సీ సంఖ్య) వర్కింగ్ ఫ్రీక్వెన్సీ (wf: bf=cn) నుండి బేసల్ ఫ్రీక్వెన్సీ (bf) నుండి పొందబడింది EEG మేల్కొని ప్రారంభంలో (8/8=1ncf) మరియు 1 సెకనుతో విభజించబడింది, పూర్తి విశ్రాంతి సమయంలో ఎడమ ఫ్రంటల్ లోబ్ నుండి పరీక్షించబడింది. ఫలితాలు: తప్పనిసరిగా వీటిని కలిగి ఉండాలి: ఎ) ఒకే విధమైన యాదృచ్ఛిక నమూనా చేర్చడం, బి) ఒకే విధమైన fMRI+EEG, PET+EEG కొలతల రకాలు, c) ఒకేలాంటి మానసిక పనులు, d) మానసిక క్రియాశీలత ప్రాంతాలను తారుమారు చేయడంలో జీవన భృతికి మద్దతు ఇచ్చే ఒకేలాంటి బేసల్ డేటా. నేను a, b, c మరియు d ప్రమాణాలకు అనుగుణంగా ఉన్న కథనాలలో రెండు సారూప్య పద్ధతులను కనుగొనలేదు. ముగింపు: ఆచరణాత్మక పరంగా నా మోడల్ ఎ) స్పెషలైజ్డ్ వెబ్‌ల కనెక్టివిటీని గుర్తించడం మరియు కొలవడం లేదా న్యూరోనల్ బేసిక్ లాజిక్ సర్క్యూట్ ప్రీసెట్లు ప్రాసెసింగ్ bmu, b) ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) అనుకరణ మరియు c) మానవ బయోఫిజికల్‌ను అనుకరించడం ఆధారంగా ఒక హ్యూమనాయిడ్ రోబోట్ టెక్నాలజీని సృష్టించడం మనస్సు లక్షణాలు.